1. Giriş
Elektrik sektöründe artan serbestleşme ve rekabet, piyasa yapılarını dramatik şekilde değiştirmiş ve serbest piyasa kurallarını sektöre hakim kılmıştır. Serbest elektrik piyasalarının çoğunlukla gün öncesi ve gerçek zamanlı olarak saatlik bazda işletildiği göz önüne alındığında, güvenilir fiyat tahmini yapmanın ne kadar önemli olduğu ortaya çıkmaktadır. Zira yatırım kararları, ikili anlaşmalar, teklif verme stratejileri, vb. piyasadaki fiyatlara doğrudan bağlı hale gelmiştir.
Ülkemizdeki elektrik piyasası, en yapısal dönüşümünü 2001 yılında çıkarılan 4628 sayılı Elektrik Piyasası Kanunu ile geçirmiş olup temelde fiyatların taraflar arasında serbestçe belirlendiği ikili anlaşmalara dayalıdır. Ayrıca, ikili anlaşmalar piyasasını tamamlayan ve ticarete konu toplam hacmin % 25-30’una denk gelen bir havuz da işletilmektedir. Bu havuz kapsamındaki alt piyasalar (gün öncesi piyasası ve gerçek zamanlı dengeleme piyasası) fiyatların oluştuğu yerler olup, arz-talep dengesinin sağlandığı noktalarda uygulanan marjinal fiyatlandırma ilkesine dayalı olarak işlemektedir. Gün öncesi ve gerçek zamanlı dengeleme piyasalarında oluşan fiyatlar, her ne kadar havuzda oluşan toplam hacimdeki nispeten küçük bir kısma ait olsalar da, hem ikili anlaşma fiyatlarının belirlenmesi için referans teşkil etmeleri ve tarife düzenlemelerinde baz alınıyor olmaları hem de yatırım kararlarında dikkate alınmaları bakımından büyük önem taşımaktadır. Bu noktadan hareketle, piyasada oluşan fiyatların öngörülebilir olmasının ve mümkün olan en iyi şekilde tahmin edilmesinin çok ilgi çeken bir konu olduğunu söyleyebiliriz. Nitekim literatürde farklı ülkelerin piyasaları için yapılmış birçok çalışma yer almaktadır.
2. Türkiye Gün Öncesi Elektrik Piyasasında Fiyat Tahmini
Literatürdeki fiyatların tahmini için yapılan çalışmalar genellikle geçmiş dönem fiyatlarına dayalıdır. Bu çalışmaların bazılarında geçmiş dönem fiyatlarına ek olarak ilgili saat için yapılan talep tahmininin de bir dışsal değişken olarak kullanıldığı ve genellikle sadece geçmiş dönem fiyatlarının kullanıldığı modellere göre daha başarılı olduğu göze çarpmaktadır. Diğer bir kısım çalışmada ise yakıt fiyatlarının, yağış miktarlarının veya kullanılabilir nükleer kapasitenin kurulan modellere dahil edildiği ve böylece ilgili elektrik piyasasındaki fiyat oluşum mekanizmasındaki yapısal özelliklerin yakalanmaya çalışıldığı dikkat çekmektedir. Bunun da ötesinde yapay sinir ağları kullanılarak yapılan çalışmalarda takvim bilgisinin (haftanın hangi gününe ait fiyatın tahmin edilmeye çalışıldığı) ve tahmin edilecek saatin de bir girdi olarak modele sağlandığı ve gayet başarılı sonuçlar elde edildiği gözlenmektedir.
Bu çerçevede genel bir değerlendirme yapmak gerekirse, kurulan modeller çeşitli dışsal değişkenler kullanıldığında daha iyi sonuç vermektedir. Yapılan çalışmalarda kullanılan dışsal değişkenler; genellikle talep tahmini, sıcaklık veya yağış gibi verileri içermekle birlikte fiyat oluşum mekanizmasının yapısal özelliklerini tam anlamıyla ele almamıştır. Dolayısıyla bu çalışmada daha yapısal özellikler üzerine kurulu bir YSA modeli sunulacaktır. Modelin girdilerini oluşturan veriler Piyasa Mali Uzlaştırma Merkezi (PMUM) internet sayfasında günlük olarak yayınlanan veriler arasından seçilmiştir. Diğer bir ifadeyle model kamuya açık verileri kullanmaktadır. Bu noktada, veri kullanımındaki kısıtın modelin başarılı sonuçlar elde etmesinin önündeki önemli bir engel olduğunu belirtmek gerekir.
Modele geçmenden önce YSA’nın yapısına kısaca değinmek faydalı olacaktır. YSA, insan beyninin öğrenme şeklini taklit ederek sistem modellemesi ve gerektiğinde ileriye dönük kestirimler yapmak üzere kullanılan bir modelleme yöntemidir. Bu yöntemde beynin temel işlem birimleri olan nöronlardan kurulu bir ağ oluşturularak bu ağın küçük bir beyin gibi davranması ve öğrenmesi sağlanır. Tipik olarak bu ağ, bir eğitim seti ile öğrenmeye tabi tutulur ve sonrasında daha önce görmediği benzer bir şeyi tanıması beklenir. Genel olarak bir YSA modeli Şekil 1’deki gibidir.
Elektrik sektöründe artan serbestleşme ve rekabet, piyasa yapılarını dramatik şekilde değiştirmiş ve serbest piyasa kurallarını sektöre hakim kılmıştır. Serbest elektrik piyasalarının çoğunlukla gün öncesi ve gerçek zamanlı olarak saatlik bazda işletildiği göz önüne alındığında, güvenilir fiyat tahmini yapmanın ne kadar önemli olduğu ortaya çıkmaktadır. Zira yatırım kararları, ikili anlaşmalar, teklif verme stratejileri, vb. piyasadaki fiyatlara doğrudan bağlı hale gelmiştir.
Ülkemizdeki elektrik piyasası, en yapısal dönüşümünü 2001 yılında çıkarılan 4628 sayılı Elektrik Piyasası Kanunu ile geçirmiş olup temelde fiyatların taraflar arasında serbestçe belirlendiği ikili anlaşmalara dayalıdır. Ayrıca, ikili anlaşmalar piyasasını tamamlayan ve ticarete konu toplam hacmin % 25-30’una denk gelen bir havuz da işletilmektedir. Bu havuz kapsamındaki alt piyasalar (gün öncesi piyasası ve gerçek zamanlı dengeleme piyasası) fiyatların oluştuğu yerler olup, arz-talep dengesinin sağlandığı noktalarda uygulanan marjinal fiyatlandırma ilkesine dayalı olarak işlemektedir. Gün öncesi ve gerçek zamanlı dengeleme piyasalarında oluşan fiyatlar, her ne kadar havuzda oluşan toplam hacimdeki nispeten küçük bir kısma ait olsalar da, hem ikili anlaşma fiyatlarının belirlenmesi için referans teşkil etmeleri ve tarife düzenlemelerinde baz alınıyor olmaları hem de yatırım kararlarında dikkate alınmaları bakımından büyük önem taşımaktadır. Bu noktadan hareketle, piyasada oluşan fiyatların öngörülebilir olmasının ve mümkün olan en iyi şekilde tahmin edilmesinin çok ilgi çeken bir konu olduğunu söyleyebiliriz. Nitekim literatürde farklı ülkelerin piyasaları için yapılmış birçok çalışma yer almaktadır.
2. Türkiye Gün Öncesi Elektrik Piyasasında Fiyat Tahmini
Literatürdeki fiyatların tahmini için yapılan çalışmalar genellikle geçmiş dönem fiyatlarına dayalıdır. Bu çalışmaların bazılarında geçmiş dönem fiyatlarına ek olarak ilgili saat için yapılan talep tahmininin de bir dışsal değişken olarak kullanıldığı ve genellikle sadece geçmiş dönem fiyatlarının kullanıldığı modellere göre daha başarılı olduğu göze çarpmaktadır. Diğer bir kısım çalışmada ise yakıt fiyatlarının, yağış miktarlarının veya kullanılabilir nükleer kapasitenin kurulan modellere dahil edildiği ve böylece ilgili elektrik piyasasındaki fiyat oluşum mekanizmasındaki yapısal özelliklerin yakalanmaya çalışıldığı dikkat çekmektedir. Bunun da ötesinde yapay sinir ağları kullanılarak yapılan çalışmalarda takvim bilgisinin (haftanın hangi gününe ait fiyatın tahmin edilmeye çalışıldığı) ve tahmin edilecek saatin de bir girdi olarak modele sağlandığı ve gayet başarılı sonuçlar elde edildiği gözlenmektedir.
Bu çerçevede genel bir değerlendirme yapmak gerekirse, kurulan modeller çeşitli dışsal değişkenler kullanıldığında daha iyi sonuç vermektedir. Yapılan çalışmalarda kullanılan dışsal değişkenler; genellikle talep tahmini, sıcaklık veya yağış gibi verileri içermekle birlikte fiyat oluşum mekanizmasının yapısal özelliklerini tam anlamıyla ele almamıştır. Dolayısıyla bu çalışmada daha yapısal özellikler üzerine kurulu bir YSA modeli sunulacaktır. Modelin girdilerini oluşturan veriler Piyasa Mali Uzlaştırma Merkezi (PMUM) internet sayfasında günlük olarak yayınlanan veriler arasından seçilmiştir. Diğer bir ifadeyle model kamuya açık verileri kullanmaktadır. Bu noktada, veri kullanımındaki kısıtın modelin başarılı sonuçlar elde etmesinin önündeki önemli bir engel olduğunu belirtmek gerekir.
Modele geçmenden önce YSA’nın yapısına kısaca değinmek faydalı olacaktır. YSA, insan beyninin öğrenme şeklini taklit ederek sistem modellemesi ve gerektiğinde ileriye dönük kestirimler yapmak üzere kullanılan bir modelleme yöntemidir. Bu yöntemde beynin temel işlem birimleri olan nöronlardan kurulu bir ağ oluşturularak bu ağın küçük bir beyin gibi davranması ve öğrenmesi sağlanır. Tipik olarak bu ağ, bir eğitim seti ile öğrenmeye tabi tutulur ve sonrasında daha önce görmediği benzer bir şeyi tanıması beklenir. Genel olarak bir YSA modeli Şekil 1’deki gibidir.
Şekil
1
Örnek bir yapay sinir ağı modeli
Bu çalışma kapsamında kurulan model 5 nörondan oluşan tek katmanlı (nöron veya katman sayısını artırmak kayda değer bir iyileştirme sağlamamıştır) bir YSA’dan oluşmakta olup girdi olarak geçmiş dönem yük (tüketim) tahmin planını (YTP) ve saatlik gün öncesi fiyatını (SGÖF) kullanmaktadır. Modelin çıktısı ise ertesi gün oluşması planlanan saatlik gün öncesi fiyatlarıdır (SGÖF). Bu kapsamda, bir sonraki günün belirli bir saatindeki SGÖF’ün tahmini, son 7 gün içerisindeki aynı saate ait YTP ve SGÖF verileri ile tahmin edilmeye çalışılmıştır. YSA’nın tahmin yapmak üzere eğitilmesinde kullanılan veriler 1 Aralık 2009 - 1 Aralık 2011 tarihleri arasındaki Gün Öncesi Planlama dönemine ait verilerdir. Modelin kurulmasından ve 1 Aralık 2009 - 31 Ekim 2011 tarihleri arasındaki veriler ile eğitilmesinden sonra Kasım 2011 ayı boyunca oluşan saatlik SGÖF’ler tahmin edilmiştir. Şekil 2’de de görüldüğü üzere veri setinde yer alan SGOF’ler aşırı değişkenliğe ve uç değerlere sahiptirler ki bu durum saatlik fiyat tahmini yapmanın ne kadar zor olduğunu teyit etmektedir.
Şekil
2:
1 Aralık 2009 – 1 Aralık 2011 tarihleri arasındaki SGÖF’ler
Elde edilen sonuçlara göre model, Kasım
ayındaki saatlik SGOF tahminlerinde ortalama olarak % 15,65 hata yapmıştır. Genel
tahmin sonuçları ile en başarılı ve en başarısız tahminleri gösteren Şekil 3’e bakılacak
olursa; fiyatın 129 TL/MWh olduğu saatte 31,29 Tl/MWh olarak tahmin edilmesi en
kötü sonuç iken 120 TL/MWh olduğu saatte 120 Tl/MWh olarak tahmin edilmesi en
iyi sonuçtur.
Şekil
3:
Kasım 2011 için SGÖF tahmin sonuçları
Diğer taraftan, daha somut bir değerlendirme açısından haftalık sonuçların gösterildiği Tablo 1’e bakıldığında, modelin başarısının haftalık % 5,84’e kadar inebildiği görülmektedir ki bu gayet iyi bir sonuçtur. Genel olarak, tahmin edilen değerlerin gerçek değerlere yakın seyrettiği, ancak yüksek ve düşük uç değerlerdeki sapmaların göze çarptığı söylenebilir. Bu noktada, modelin daha iyi sonuçlar vermesi için fiyat oluşumunun yapısını daha iyi açıklayacak girdilerin (örneğin saatlik emre amade kapasite bilgisi) kullanılmasının faydalı olacağı düşünülmektedir.
Hafta
|
1
|
2
|
3
|
4
|
Hata (%)
|
16,15
|
17,89
|
13,53
|
5,84
|
Tablo: Kasım 2011 için
haftalık SGÖF tahmin hataları
3. Sonuç
Bu bildiride, elektrik piyasasında fiyat tahmini üzerine yapılan çalışmalar ele alınmış ve Türkiye gün öncesi elektrik piyasası için yapay sinir ağları kullanılarak örnek bir saatlik fiyat tahmin modeli geliştirilmiştir. Modelin tahmin sonuçları genel olarak başarılı olmakla birlikte yüksek ve uç değerlerin tahmininde önemli miktarda sapmalar olduğu gözlenmekte olup modelin girdilerindeki sağlanacak iyileştirmeler ile daha iyi sonuçlar alınabileceği düşünülmektedir.
Hourly Price Forecasting in Day Ahead Electricity Market - Summary
Increasing liberalization and competition in electricity sectors has changed the market structures dramatically and free market rules have become more and more effective in the market activities. In this regard, investment decisions, bilateral contracts, bidding strategies, etc. are based on spot market prices to a great extent. Therefore, making reliable forecasts for market prices are very crucial considering that liberalized electricity markets are mostly operating on a day-ahead and real-time basis. However, it is difficult to forecast the hourly electricity market prices as they are more volatile compared to other asset prices
There are many approaches on forecasting spot electricity prices including cost based studies, statistical analysis, equilibrium models, fuzzy logic, etc. Among these approaches, econometrics models like AR, ARMA and ARIMA are quite popular. These models are generally based on historical price information but exogenous variables like system load, fuel prices, temperature data, fuel mix of the system, hydro reservoir levels, etc. are also utilized. Considering that price formation has a mechanism affected by many factors like system load, reserve capacity, fuel mix, bids & offers, etc. forecasting the prices by an artificial neural network (ANN) seems attractive. Although in some studies like it is indicated that ANN’s are weaker than its statistical alternatives, fine tuned networks can be competitive as they are quite successful in learning nonlinear relationships. In this regard, recent studies based on ANNs present supporting results.
This study focuses on forecasting the day-ahead electricity prices (SGOF) in Turkish electricity market by an ANN model utilizing price data and system load of the past 7 days. Data set covers hourly day-ahead prices between 1 December 2009 and 1 December 2011. The ANN model was trained by the data set until 31 October 2011 and expected to forecast hourly prices in November 2011. Mean percentage error for the whole month was found as % 15,65. On the other hand, weekly mean percentage errors were % 16.15, 17.89, 13.53 and 5.84. In general forecasted prices were in parallel with the actual prices but large deviations were observed at high and low price spikes as expected. On the other hand, forecast deviations can be eliminated by improvements in the input configuration of the model such as utilizing hourly available generation capacity.
Increasing liberalization and competition in electricity sectors has changed the market structures dramatically and free market rules have become more and more effective in the market activities. In this regard, investment decisions, bilateral contracts, bidding strategies, etc. are based on spot market prices to a great extent. Therefore, making reliable forecasts for market prices are very crucial considering that liberalized electricity markets are mostly operating on a day-ahead and real-time basis. However, it is difficult to forecast the hourly electricity market prices as they are more volatile compared to other asset prices
There are many approaches on forecasting spot electricity prices including cost based studies, statistical analysis, equilibrium models, fuzzy logic, etc. Among these approaches, econometrics models like AR, ARMA and ARIMA are quite popular. These models are generally based on historical price information but exogenous variables like system load, fuel prices, temperature data, fuel mix of the system, hydro reservoir levels, etc. are also utilized. Considering that price formation has a mechanism affected by many factors like system load, reserve capacity, fuel mix, bids & offers, etc. forecasting the prices by an artificial neural network (ANN) seems attractive. Although in some studies like it is indicated that ANN’s are weaker than its statistical alternatives, fine tuned networks can be competitive as they are quite successful in learning nonlinear relationships. In this regard, recent studies based on ANNs present supporting results.
This study focuses on forecasting the day-ahead electricity prices (SGOF) in Turkish electricity market by an ANN model utilizing price data and system load of the past 7 days. Data set covers hourly day-ahead prices between 1 December 2009 and 1 December 2011. The ANN model was trained by the data set until 31 October 2011 and expected to forecast hourly prices in November 2011. Mean percentage error for the whole month was found as % 15,65. On the other hand, weekly mean percentage errors were % 16.15, 17.89, 13.53 and 5.84. In general forecasted prices were in parallel with the actual prices but large deviations were observed at high and low price spikes as expected. On the other hand, forecast deviations can be eliminated by improvements in the input configuration of the model such as utilizing hourly available generation capacity.
Hiç yorum yok:
Yorum Gönder